Google以機器學習加速災區建物損害評估

為了加速災害評估的速度，Google開發了使用卷積神經網路處理衛星圖像，檢測建築物損壞範圍的方法，以機器學習自動比對衛星資料，產生災區建築物損害評估。這項研究是Google與世界糧食計畫署的創新加速器合作開發，目的是要加速災害評估，對受災嚴重的地區，提供即時救難資源。

Google提到，諸如地震、風災和洪水等自然災害，嚴重時影響的面積將非常廣闊，甚至可能對數百萬人造成衝擊，而這對於後勤救援是個很大的挑戰，政府、非政府和聯合國等組織，都需要對災情進行快速評估，以最佳化配置有限的資源。

現在有不少工具，能夠使救災評估更快速，像是解析度高達30公分的超高解析度（VHR）衛星圖像，便成為應對災難的重要工具，讓救災單位可以掌握災區狀況，包括災害可能大幅改變災區地形，也能查看基礎設施和人口等狀態。

不過要從原始衛星圖像中，查看倒塌的建築物、出現裂縫的橋樑以及臨時避難所等地點，仍需要大量的人力，Google舉例，當2010年海地發生地震，分析人員對太子港地區衛星圖像，以人工檢查9萬棟建築物，並以5個等級分類這些建築物的損壞程度，就花了數周的時間，但是災難發生後黃金救難時間，卻只有48到72小時，這個時候最需要即時的災區評估資訊。

Google使用機器學習技術來加速災害評估，自動損害評估的過程有兩個步驟，其一是建築物偵測，其二則是損害分類。在建築物偵測步驟，Google使用物體偵測模型，在衛星圖像中對每個建築物繪製包圍盒（Bounding Box），並且擷取災害前與後的圖像，之後以分類模型來決定建築物受損與否。

分類模型由卷積神經網路組成，在卷積神經網路輸入以給定建築物為中心，災難發生前後的兩張圖像，圖像大小為161乘161畫素，對應50平方公尺的占地面積。分類模型會分類兩個圖像的差異，並輸出0.0到1.0的分數，數值接近0.0代表建築物未損壞，接近1.0則代表建築物已損壞，Google提到，閾值設為0.5可用來預測損壞與否，但仍可依據敏感度調整。

對於不同時間所拍攝的衛星圖像，可能出現亮度、對比度和色彩飽和度等差異，Google對災難前後的圖像顏色，進行直方圖均衡化校正，並使用標準資料增強技術，透過在訓練過程干擾圖像的對比度和飽和度，使模型對顏色差異更具強健性。

Google提到，這項工作最困難的部分在於收集訓練資料，因為有用到高解析度衛星圖像的災難並不多，而且有做災難評估的次數又更少。在標籤資料上，Google取用自人道組織UNOSAT與REACH手動產生的損害評估資料，並使用Google地球引擎將損害評估標籤，與衛星圖像相結合，以產生最終的訓練資料。

Google將這個系統分別用於評估2010年海地地震、2017年墨西哥城地震以及2018年印尼所發生的一系列地震，並把UNOSAT和REACH的人類專家評估作為基準真相，評估系統的準確度，結果顯示該系統表現良好，3個事件的預測精準度都在70％到80％間。

目前的模型使用同地區的建築物圖像進行訓練和測試，雖然效果很好，但是最終的系統是希望只靠一個模型，便可以用在世界各地發生的災難，對當地建築物進行評估，Google表示，這相當具有挑戰性，因為要評估的不僅是訓練資料地區的建築物，但可用的訓練資料，又僅限於少數幾個地區的災難，因此擴展模型可以處理的範圍，將是研究人員接下來的工作。